OpenAI ra mắt bộ đôi mô hình nhận diện giọng nói GPT Transcribe và GPT Live Transcribe

OpenAI vừa ra mắt GPT Transcribe và GPT Live Transcribe, hai mô hình nhận diện giọng nói mới hiện đã có sẵn thông qua API của hãng. GPT Transcribe xử lý các tệp âm thanh đã ghi âm trước với tốc độ nhanh gấp khoảng 34 lần thời gian thực. Trong khi đó, GPT Live Transcribe được xây dựng để phục vụ nhu cầu truyền phát trực tiếp với độ trễ thấp.

Theo Artificial Analysis, đơn vị vận hành bộ tiêu chuẩn đánh giá AA-WER, GPT Transcribe đạt tỷ lệ lỗi từ (WER) là 3,31%. Con số này cho thấy mức cải thiện 0,7 điểm phần trăm so với phiên bản tiền nhiệm GPT-4o Transcribe ra mắt cách đây một năm. Đồng thời, giá cước cũng giảm 25%, xuống còn 0,0045 USD cho mỗi phút âm thanh. Cả hai mô hình đều chấp nhận văn bản làm ngữ cảnh chuyển đổi, từ khóa và hỗ trợ nhiều ngôn ngữ đầu vào.

Trong bảng xếp hạng AA-WER, OpenAI vẫn đứng sau một số đối thủ cạnh tranh. ElevenLabs Scribe v2 đang dẫn đầu với tỷ lệ lỗi 2,3%, theo sau là Gemini 3 Pro của Google với 2,9% và Voxtral Small của Mistral với 3%. Gần đây, Mistral đã tạo ra lợi thế cạnh tranh về giá với Voxtral Transcribe V2, khởi điểm chỉ từ 0,003 USD mỗi phút.

Thông tin chi tiết có trong Hướng dẫn Chuyển đổi (Transcription Guide) của OpenAI. Các mô hình chuyển đổi mới này bổ sung cho thế hệ mô hình Realtime mà OpenAI vừa công bố gần đây, trong đó bao gồm cả mô hình chuyển đổi thời gian thực GPT-Realtime-Whisper.

Tin tức AI không thổi phồng – Được biên soạn bởi con người.

Đăng ký THE DECODER để đọc tin không quảng cáo, nhận bản tin AI hàng tuần, báo cáo độc quyền "AI Radar" về các công nghệ tiên phong sáu lần mỗi năm, quyền truy cập toàn bộ kho lưu trữ và tham gia phần bình luận của chúng tôi.

Đăng ký ngay.